原位自导引：扩散模型中的自纠正

高质量、多样且符合提示的图像生成是图像生成扩散模型的核心目标。流行的无分类器引导（CFG）方法在提高质量和对齐方面有效，但会导致变异性下降，形成这些效果的固有内在联系。最近的工作成功地通过使用单独训练的劣势模型来引导模型，从而实现了这些属性的解耦；然而，这一解决方案需要额外模型的显著开销。我们挑战了这一前提，提出原位自导引方法，从模型本身而无需任何额外组件即可引导模型。我们的方法通过动态生成一次随机前向传播来产生劣势预测，将引导重新定义为推理时间的自我纠正形式。我们证明，这一零成本方法不仅可行，而且也建立了一个强大的新基准，用于成本有效的引导，证明了无需外部模型即可实现自引导的好处。